2024, Vol. 45
2. 湖北省地质科学研究院, 武汉 430034;
3. 云南省地矿测绘院有限公司, 昆明 650051
, JIN Yu-han1 , SUN Pei2 , XIAO Ying1,3
, CHEN Zhi-hao1 , LU Ze-ru1 , LIANG Heng-shuo1
2. Hubei Institute of Geosciences, Wuhan 430034, China;
3. Geological Surveying and Mapping Institute of Yunnan Province, Kunming 650051, China
土地利用变化的碳效应是当前国际上备受关注的研究热点之一[1~5]. 土地利用/土地覆被变化（LUCC）历来是影响陆地生态系统碳循环的重要因素[6], 由此引起的碳排放增加成为温室气体的重要来源[7], 也是20世纪以来全球气候变暖的主要原因之一[8].
一般来说, 区域内土地利用变化通常呈广域分散式的“斑块状”分布, 从而使得直接测度点位尺度上地类变化的碳排放效应非常困难, 因此, 对于大范围长时间尺度的土地利用变化碳效应, 很多学者依据区域内每种地类在研究初期与末期的规模差异来进行总量测度分析. 例如, Houghton等[9]采用簿记法（bookkeeping model）, 对1700~1990年间美国土地利用变化导致的碳盈收进行了估算, 结果显示美国在1945年之前的土地利用变化净碳排放（以C计, 下同）为（27 ± 6）Pg·a-1, 此后则为净吸收[约（2 ± 2）Pg·a-1], 不过这一结论与Yu等[10]的研究结果并不一致, 因为后者采用两种不同来源的数据集, 对美国在1980~2016年间的LUCC碳排放进行了对比实验, 发现基于全球LUH2数据集的测度结果是净吸收[（-30.3 ± 2.5）Tg·a-1], 而基于更高分辨率的其他数据集（Ylmap）进行测度时为净碳排放[（13.6 ± 3.5）Tg·a-1]；Yu等[2]还通过历史数据重构, 对1900年以来中国土地利用变化的碳收支进行了模拟评估, 结果表明中国陆地生态系统总碳储量在1900~1980年间下降了69亿t, 此后（1980~2019年）则上升了89亿t；李缘缘等[11]利用MODIS的MCD12Q-LUCC数据, 结合全国30个省市的能源消耗数据, 对2001~2019年间各省市土地利用的碳排放时空特征及其碳汇能力进行分析；Lin等[12]通过对全国30个省份的土地利用碳排放强度和人均土地利用碳排放量的估算, 结合空间自相关模型等, 在省级尺度上探讨了2006~2016年间中国土地利用的碳排放效应时空变化特征；向书江等[13]利用土地利用和能源消耗数据, 采用多种模型方法, 对重庆市主城区近20年碳排放的时空动态演进和重心迁移进行了分析；赵荣钦等[14]则以南京市为例, 建立了区域土地利用碳效应综合评估及优化调控的方法, 并对3种土地利用低碳优化方案的碳减排潜力进行了对比分析. 以上研究表明, 国内外学者已从测量方法和分析角度等方面开展了大量的土地利用变化碳效应研究, 并且在涉及长时间尺度的区域研究时, 普遍采用面板统计（panel statistical method, PSM）的方式, 逐一计算区域内每种地类在研究初期与末期的面积差异及其相应的净碳排放量（或净碳吸收量）, 然后通过类别累计的方式获得区域总量.
然而, 这种基于PSM的区域LUCC碳效应的总量测度结果[15], 难以揭示区域内部不同点位上土地利用变化的碳效应内在差异. 其主要原因在于：即使是位于同一区域内的两个地方, 它们在同一时段内的土地利用变化导致了等量的净碳排放增加, 但是其中一地是由具有碳汇功能的草地转为具有碳源属性的耕地而导致, 而另一地则是林地转为草地且其土地覆被在变化前后都具有碳汇功能, 因此, 尽管两地的土地利用变化导致了相同的净碳排放量增加现象, 它们的LUCC碳效应却有着内在的不同. 由此可见, 当前用于区域土地利用变化碳效应的PSM测度模式存在较为明显的弊端, 其结果缺乏与空间点位上的关联性[16, 17], 从而导致相关研究无法对区域内各种地类“斑块状”变化后的复合碳效应进行精确评估与比较分析.
为解决上述问题, 本研究将基于每种地类都有自己独有的碳吸收（或碳排放）特性, 并且任意两种地类之间的转换都会产生各不相同的复合碳效应现象这一客观事实, 建立一种可直接用于点位尺度上可比性监测分析的CEOI指数, 再将其与马尔可夫转移矩阵及碳减排压力度估测和重心位移等多种分析方法相结合, 对近20年土地利用变化较为显著的渭河流域进行碳效应的精确测度分析, 并据此进行不同碳减排压力度的地理本体识别, 以及流域内碳减排压力的时空分异性研究. 本研究以期为同类研究提供参考, 而且也有助于渭河流域乃至国家双碳战略的科学实施与推进等.
1 材料与方法 1.1 研究区域和主要数据来源渭河是黄河第一大支流, 主要流经生态脆弱的黄土高原地区, 由此形成的渭河流域总面积约13.5×104 km2, 涵盖3个省级行政区（陕西、甘肃和宁夏）的98个县（市、区）. 流域北部为黄土高原, 南部为秦岭山区, 主要地貌类型包括黄土丘陵区、黄土塬区、土石山区、黄土阶地区和河谷冲积平原区等. 土地利用以耕地、草地和林地为主, 三者占流域总面积的95%以上.
本文使用的行政区划数据来自于《1∶100万全国基础地理数据库》, 通过全国地理信息资源目录服务系统（https://www.webmap.cn）获取；海拔高程数据（DEM）来源于地理空间数据云平台（http://www.gscloud.cn）；3个时次（2000、2010和2020年）的渭河流域土地利用数据, 由国家冰川冻土沙漠科学数据中心（http://www.ncdc.ac.cn）提供, 其空间分辨率为30 m. 根据研究需要, 结合渭河流域实际情况, 对已获取的土地利用数据进行了整理, 最终得到了耕地、林地、草地、水域、建设用地和未利用土地等6种类型.
1.2 研究方法 1.2.1 马尔科夫转移矩阵马尔科夫模型（Markov model）是一种经典的时间序列分析法, 现已被广泛应用于土地利用变化研究[18~20]. 基于马尔科夫转移矩阵[Markov transition matrix, 式（1）]的土地利用变化分析, 不仅能较好反映研究期内土地利用结构的总体变化特征, 而且还能清晰揭示各地类之间的转入转出规模和变化方向. 在本研究中, 对县域尺度的地类变化情况, 主要采用马尔科夫转移矩阵进行分析.
|
(1) |
式中, M为马尔科夫转移矩阵, n为区域内土地类型的数量, Sij（i, j = 1, 2, 3, …, n）为研究期内, 第i种地类转换为第j种地类的面积, 当i = j时, Sij则为研究期内类型没有发生变化的第i种地类面积.
1.2.2 碳排放核算系数目前对于土地利用的碳排放核算, 可分为直接碳排放核算和间接碳排放估算两种类型[12, 16], 其中, 直接碳排放核算是采用碳排放系数法进行土地利用的碳排放核算, 主要用于耕地、林地、水域等非建设用地的碳排放测度. 间接碳排放估算则大都采用生产生活中的能源消耗而产生的CO2量作为表征, 目前主要用于建设用地的碳排放核算, 其依据在于建设用地是人类生产生活的主要场所, 因此, 对于该地类承载的全部人为碳排放, 可以通过对煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气和电力等能源的消耗量来进行估算[16]. 但是, 各种能源的消耗数据只能依赖于传统的面板统计数据来获取[9, 21], 从而使得采用这种间接核算方法对建设用地变化的碳排放量进行测度, 其结果无法反映区域内部建设用地与其他地类之间的相互转换在相应点位上而产生的复合碳排放效应. 因此, 本文将对包括建设用地等在内的所有地类变化的碳效应, 都采用碳排放系数核算方法进行测度分析, 并通过已有研究成果等来确定各地类的碳排放系数（表 1）.
|
表 1 各地类的碳排放系数 Table 1 Carbon emission coefficients of various land use types |
另外需要注意的是, 在计算点位尺度上地类变化的净碳排放（或净碳吸收）时, 须考虑复合效应. 例如, 假设某个变化图斑在研究初期属于碳排放系数大于0的碳源地类、在研究末期转为具有碳汇功能的地类（其碳排放系数小于0）, 则该图斑在研究期内的碳排放效应实际上由两部分构成：一是从变化前的碳源地类而削减下来的碳排放量, 二是从变化后的碳汇地类而新增的碳吸收量. 由此可见, 在计算该变化图斑的净碳排放量时, 需采用复合碳排放系数（也即“变化后的地类碳排放系数减去变化前的地类碳排放系数”）；最后将区域内所有变化图斑的净碳排放量进行累加, 得到整个区域的碳收支总量. 具体的计算公式如下：
|
(2) |
式中, m为区域内发生地类变化的图斑个数；Sk为发生地类变化的第k个图斑面积；ρt1, k和ρt2, k分别为第k个图斑在地类变换前（t1）和变换后（t2）的碳排放系数；Δρk为第k个图斑在研究期（t1~t2）内的复合碳排放系数, 通过变化后的地类碳排放系数（ρt2, k）减去变化前的地类碳排放系数（ρt1, k）而得到；Ce为区域内各种地类变化导致的碳收支总量, 并且其值大于0时为净碳排放、小于0时为净碳吸收.
1.2.3 碳减排压力监测由表 1可知, 耕地和建设用地都属于碳源, 但是建设用地的碳排放能力远远高于耕地；林地和草地等均为生态系统中的碳汇, 但是它们具有的碳吸收功能也并不一致. 因此, 无论是在哪两种地类之间发生的转换, 都会导致各不相同的碳效应产生. 基于这一客观事实, 本研究首先构建一个能够同时用于区域和点位等不同空间尺度监测的CEOI指数, 然后据此进行碳减排压力分级. 其中, CEOI指数由两部分构成：一是用来表示LUCC导致的碳排放变化速度指数（index of carbon emission change rate, ICECR）, 二是用来表示LUCC导致的碳排放变化方向指数（index of carbon emission change direction, ICECD）.
|
(3) |
式中, SIGN为符号函数；ρt1和ρt2分别为变化前、后的地类碳排放系数, ρt1'和ρt2'则为分别对应于ρt1和ρt2的无量纲归一化值, 所使用的归一化方法如下：
|
(4) |
式中, ρt为未经归一化处理的各地类碳排放系数（其值域范围见表 1）.
综合式（3）和式（4）可知, ICECR指数始终大于等于0, ICECD指数则有以下3种情况：ρt2 > ρt1时, ICECD=1, 表示地类变化引起碳排放增加；ρt2=ρt1时, ICECD=0, 表示地类没有发生变化, 因而其碳排放量不变；ρt2 < ρt1时, ICECD=-1, 表示地类变化引起碳排放减少. 同时, 若地类转换后的碳排放量增加, 必然会升高碳减排的压力, CEOI指数的值也越大；反之则能降低碳减排的压力, CEOI指数值也就越小, 因此, 依据CEOI指数的大小, 可进行土地利用变化的碳减排压力监测, 具体的压力分级方法如表 2所示.
|
|
表 2 土地利用变化的碳减排压力分级 Table 2 CEOI-based classification on point-scale pressure of reducing carbon emissions from land use change |
1.2.4 土地利用时序变化数据清洗
本研究中, 一共使用了3个时次（2000年、2010年和2020年）的土地利用数据, 而这些数据是通过对不同空间分辨率的卫星影像（主要为30 m的Landsat多光谱影像和16 m的GF1/WFV多光谱影像）进行分类后生成的[28]. 然而, 这些卫星影像中均包含大量混合像元, 再加上影像几何校正等数据预处理环节必然存在的偏差等, 使得最终的影像解译结果难以避免分类误差的产生[29], 因此, 若直接使用不同年份的土地利用遥感分类数据进行时序分析, 必然会产生一些伪变化现象.
为了降低乃至消除上述伪变化的影响, 从而使得相关研究结果能够准确反映实际情况, 本文对基于相邻时次土地利用数据的GIS空间变化分析结果, 均采用小图斑去除技术来进行数据清洗处理, 然后再将其应用于后续的土地利用变化及其碳减排压力分析等.
2 结果与分析 2.1 研究区土地利用变化结构及其碳排放和碳吸收的时序效应为了洞悉渭河流域每种地类在不同时期的变化情况及其碳效应, 基于式（1）和式（2）进行了计算, 结果显示出明显的阶段演替性（表 3）.
|
|
表 3 近20年渭河流域地类之间的转换及其碳排放 Table 3 Net carbon emissions from conversions of various land use types in Weihe River Basin from 2000 to 2020 |
2000~2010年, 渭河流域存在地类变化的点位面积共计49.04万hm2, 约占流域总面积的3.71%；由此导致的碳吸收、碳排放及总的碳收支分别为-212.27、567.41和355.15万t, 其中, 大约90.754 8%的碳吸收量来自于建设用地转为耕地, 约97.908 1%的碳排放来自于耕地转为建设用地. 在此期间, 流域的土地利用变化结构主要由草地转为林地（25.12万hm2, 约占51.22%）、耕地转为建设用地（13.06万hm2, 约占26.62%）以及建设用地转为耕地（4.53万hm2, 约占9.23%）等3种类型构成.
2010~2020年, 渭河流域土地利用变化的碳吸收和碳排放结构没有明显变动, 依然以建设用地向耕地的转换以及耕地向建设用地的转换为主（二者占比分别为93.0903%和94.8426%）, 但是碳吸收总量降至-98.50万t、碳排放及碳收支总量则分别增至800.62万t和702.12万t. 究其原因, 主要在于近10年间渭河流域的土地利用变化结构显著不同. 与2000~2010年相比, 流域内土地利用变化的总面积约减少35.01%（也即降到了31.87万hm2）, 而该时期内草地转为林地的面积仅约0.59万hm2、建设用地转为耕地的面积也只有2.16万hm2, 从而导致它们的面积占比显著下降等密切相关. 不过, 同时期内耕地转为建设用地的面积（17.85万hm2）及其占比（56%）都大幅度上升, 草地与耕地之间的转换面积（包括草地向耕地的转换以及耕地转为草地的面积）也较上个时期增加了1~2倍.
2.2 研究区土地利用变化的碳减排压力变化态势利用本文提出的CEOI指数, 对各个点位上地类变化导致的碳减排压力变动情况进行了测度, 结果表明（表 4）, 尽管研究期内渭河流域的碳减排压力总体上呈渐增态势, 但是由于具有碳汇功能的减排类地理本体发挥了碳中和作用, 使得流域内碳减排压力大约降低12.3%~37.4%.
|
|
表 4 研究区内不同碳减排压力度的地理本体面积及其碳吸收或碳排放 Table 4 Area of various pressure levels of reducing carbon emissions and the resulting net carbon emissions during two periods |
2000~2010年间, 流域内碳减排压力下降的地理本体约有32.74万hm2, 其中属于强减排和超强减排的地理本体分别约25.99万hm2和4.61万hm2, 二者的面积占比共计93.465 6%；碳减排压力上升的地理本体仅有16.30万hm2, 只相当于同时期内减排类地理本体总面积的一半, 但是其中约13.29万hm2属于复合碳排放能力居于首位的超强增排类地理本体, 从而导致该时段内的碳排放量明显高于碳吸收量. 不过, 最终在减排类地理本体的碳中和作用下, 使得这10 a间流域内的净碳排放量（约355.1万t）较增排类地理本体释放的总碳量下降了37.4%左右.
与上述时期相比, 渭河流域在2010~2020年间碳减排压力下降的地理本体显著减少, 其面积仅约6.63万hm2, 尤其是强减排和超强减排类的地理本体分别只为2000~2010年间同类面积的4.47%和48.91%；属于中减排的地理本体虽然增至3.21万hm2（约为上个时期中减排面积的1.5倍）, 但是其碳汇功能明显弱于强减排的地理本体、显著弱于超强减排的地理本体. 因此, 近10 a渭河流域土地利用变化的碳吸收量总体上是大幅度减少, 仅约2000~2010年间的46.41%. 再从同时期内碳减排压力上升的地理本体来看, 其总面积较2000~2010年间增加了8.94万hm2, 并且其中的60.6%来自于超强增排, 强增排和中增排则分别贡献了20.36%和18.97%, 从而导致渭河流域土地利用变化的碳排放量在近10 a间显著增加, 约为2000~2010年间的1.41倍. 由此可见, 渭河流域自2010年以来出现了“碳吸收量减少”与“碳排放量增加”的叠加, 使得流域内的碳减排压力也较上个时期倍增, 但与此同时, 减排类地理本体仍发挥了明显的碳中和作用, 使得最终的净碳排放量（702.1万t）相比增排类地理本体释放的总碳量降低了12.3%.
2.3 不同碳减排压力度的地理本体空间分布及其重心迁移综合图 1和图 2来看, 无论哪种碳减排压力度的地理本体, 在渭河流域内的分布都极不均衡且时空异质性变化非常突出, 它们的基尼系数在2000~2010年间均高于0.70, 在2010~2020年间都有所降低但仍介于0.48~0.79之间（本文未计算弱增排和弱减排的基尼系数, 因为遥感监测结果显示它们在2000~2010年间的面积近似为0, 在2010~2020年间也只有几十hm2并且只分布于少数几个县）. 由此可见, 近20年间不同碳减排压力度的地理本体在流域内的空间分布都有明显的变化, 致使它们的碳吸收（或碳排放）重心也产生了相应的迁移.
|
图 1 不同碳减排压力度的地理本体空间分布 Fig. 1 Distribution of various pressure levels of reducing carbon emissions from land changes in Weihe River Basin during two periods |
|
图 2 不同碳减排压力度的地理本体分布重心及基尼系数 Fig. 2 Gravity point and Gini coefficient of various pressure levels of reducing carbon emissions from land changes in Weihe River Basin |
超强增排类地理本体作为驱使渭河流域土地利用变化碳减排压力渐增的主要动力（图 1）, 不仅其面积规模在研究期内明显增加, 而且分布区域也从早期（2000~2010年）海拔较低的渭河中下游盆地区（尤其是西安-渭南一带的城市四周）, 逐渐向流域中北部的宝鸡、天水、平凉和庆阳市等地扩散（其中尤以宝鸡市境内的集聚最为突出）, 由此导致该类地理本体的碳排放分布重心往西北方向大约移动了135 km, 其重心点位置也从咸阳东部的泾阳县迁移至平凉市灵台县与宝鸡市麟游县的交界处（图 1和图 2）. 与此类似, 中增排类地理本体的碳排放重心也往西北方向有明显移动, 迁移距离约95 km, 导致其重心点由铜川市彬州市迁至庆阳市西峰区（图 2）. 强增排类碳排放的重心变化则稍有不同, 它由东往西地迁移了125 km左右, 目前其重心点位于宝鸡市陇县的西北端（图 2）.
具有碳汇功能的强减排类地理本体, 在2000 ~ 2010年间大规模分布于流域内海拔较高的西部地区（主要是定西市的漳县和岷县以及天水市的武山县等）, 在咸阳市的旬邑县和天水市的清水县等地也有较多分布[图 2（a）], 但是到了2010 ~ 2020年间, 其规模急剧缩减, 仅零星分布于甘肃渭源、华池、合水、灵台和宁县等地[图 2（b）], 因此, 强减排类地理本体的碳吸收重心在研究期内往流域东南方向移动了191 km, 其迁移距离居于各类之首（图 2）. 中减排类的碳吸收重心在研究期内也有极为显著的迁移, 其重心点从铜川市耀州区往西北方向移动了约146 km, 现位于庆阳市镇原县境内（图 2）. 相比之下, 超强减排类碳吸收重心的迁移速度较慢, 仅在咸阳市境内往西北方向移动了19 km（图 2）.
3 讨论 3.1 碳减排压力的重心迁移通常情况下, 地理事物的分布重心及迁移情况, 不仅能够体现其区域分布格局是否均衡, 而且还能反映它的空间分布集聚地变化程度及方向等. 综观2000年以来不同碳减排压力度的地理本体在渭河流域内的重心变化, 可发现一个突出现象：在重心迁移极为明显的类别当中, 只有强减排类地理本体（其构成主体是“草地转为林地”）的重心迁移是按照西南-东北方向, 从流域西部海拔较高的天水市境内逐渐迁移至海拔稍低的平凉市境内；强增排类地理本体的重心点则由东往西地从咸阳市迁至宝鸡市境内, 而超强增排、中增排以及中减排类地理本体的空间重心都从海拔较低的渭河中下游盆地, 按照东南-西北方向迁往流域内海拔较高的中部地区；超强减排类地理本体迁移方向也是东南-西北方向, 虽然其重心点仅在咸阳市境内近距离地移动. 由此可见：上述具有不同碳减排压力度的地理本体, 在空间格局变化方面, 大多数都显示出相似的集聚地迁移特征. 杨涛等[30]、陈登帅等[31]和庞家泰等[32]曾指出, 城市化、退耕还林和生态修复等因素与渭河流域的土地利用/土地覆被变化之间关系密切, 但这些相关研究仍然难以解释上述变化特征. 该现象的确切成因（尤其是主要影响因子的识别及其贡献度的量化）无疑是值得深入探讨的问题之一, 其结果可为渭河流域的生态建设及水土保持、区域差异化发展等提供参考依据.
3.2 数据适用性分析及待改进之处从已有研究来看, 依据不同来源的LUCC数据进行区域土地利用变化的碳效应估算, 所得结果往往互不一致[10, 33~35]. 文献[30]的研究周期与本文一致, 并且同样使用了3个年份（2000、2010和2020年）的LUCC数据开展了详细的地类变化“源-汇”分析, 不过该文中的土地利用数据来源于中国科学院资源环境科学与数据中心（http://www.resdc.cn/）. 为了对本文的渭河流域土地利用变化减排压力变化监测结果进行可靠性验证, 采用文献[30]中的LUCC数据进行了对比研究. 本实验表明, 基于两种数据获得的监测结果（表 5）既有相同之处又有差异, 其中, 它们的共同点主要表现在两个方面：①两种结果均揭示渭河流域土地利用变化在研究期内的碳效应一直表现出净碳排放的特征, 并且近年来净碳排放量仍在逐渐增加, 从而使得流域面临的碳减排压力更加严峻；②超强增排类的地理本体明显增多, 而这也是流域内碳减排压力不断升高的主要原因. 两种结果之间的差异性则主要体现在减排类地理本体对于降低流域内碳减排压力的贡献度测算：依据文献[30]测度前一时段（2000~2010年）内的碳吸收和碳排放量时, 其结果值均远远低于本文估算值, 从而导致最终的碳收支总量估算结果仅相当于本文测度值的39.39%, 据此获得该时段内减排类地理本体对于降低流域内碳减排压力的贡献度也仅约6.44%, 而依据本文基于未经数据清洗处理的原始LUCC数据而获得的该项贡献度则高达44.33%；至于后一时段（2010~2020年）, 依据文献[30]估算的流域碳吸收和碳排放量都显著增加, 并且增加幅度远远高于本文估算结果, 从而导致渭河流域在该时段内的碳收支总量测度结果增至本文估算值的1.46倍, 减排类地理本体对于降低流域内碳减排压力的贡献度也增至34.97%（远远高于前一时段的6.44%贡献度）, 然而依据本文的测算, 减排类地理本体在该时段内的贡献度约20.88%, 既显著低于本文对于前一时段的贡献度测算结果（44.33%）, 也显然不同于依据文献[30]而获得的减排类地理本体贡献度（34.97%）. 由此可见, 上述两种研究结果在测度减排类地理本体对于降低流域内碳减排压力的贡献度方面存在一定的差异. 不过, 这种由于数据来源不同而导致研究结果之间出现差异的现象, 在同类研究中也经常发生[10, 33~35]. 同时, 即便存在这种差异性, 本研究仍然较好地揭示了减排类地理本体的碳中和作用及其对于研究期内渭河流域碳减排压力的降低有着很高的贡献.
|
|
表 5 基于不同LUCC数据源的渭河流域碳减排压力监测结果比较分析 Table 5 Comparison of carbon emissions from land use changes in Weihe River Basin using different data sources |
另外, 与其他地类相比, 建设用地增加或减少引起的碳效应都更为突出[21], 因此, 准确测度建设用地变化的碳收支极为重要. 目前对于建设用地的碳排放量核算, 大多是采用间接碳排放估算法, 即通过对区域内所有能源消耗活动等而产生的温室气体排放量来进行估算[16], 并且在此过程中通常需要使用基于行政区划单元而统计生成的各种能源消耗量数据. 然而, 这种基于区划统计模式获得的碳收支量核算结果, 显然无法反映点位尺度上建设用地与其他地类之间的转换而产生的复合碳排放效应, 其结果自然也无法用于区域内部不同点位之间的比对分析. 为此, 本研究对包含建设用地在内的所有地类变化图斑, 都采用碳排放系数法进行碳收支总量的测度, 从而有效解决了上述问题, 但由此也带来了一个新的问题, 就是使用相同的建设用地碳排放系数进行核算时, 无法体现各地对于建设用地的利用水平不同而带来的影响. 因此, 对于以建设用地变化为构成主体的超强增排类（或超强减排类）地理本体分布较多的区域, 使用本研究方法可能会低估（或高估）它们的净碳排放量.
4 结论（1）渭河流域土地利用变化具有明显的阶段性结构转变特征. 前10 a（2000~2010年）, 该流域内最突出的地类变化来自于草地转为林地, 其面积占比高达51.22%, 耕地转为建设用地以及建设用地转为耕地分别占26.62%和9.23%；此后的10 a（2000~2010年）, 土地利用变化的总面积较前10 a约减少35.01%, 耕地转为建设用地的面积比在此期间增至56%, 草地转为林地的面积占比则急剧下降至1.84%.
（2）研究期内渭河流域土地利用变化的碳效应始终表现出“碳排放量 > 碳吸收量”, 而且净碳排放量仍在增加, 不过由于具有碳汇功能的减排类地理本体发挥了碳中和作用, 使得流域内碳减排压力在近20 a间大约降低了12.3%~37.4%. 流域内碳减排压力的增加则主要来自于建设用地总规模的持续增长, 致使2010年以来碳排放能力位居首位的超强增排类地理本体较2000~2010年间增加了41%, 而碳汇功能突出的超强减排类地理本体在同时期内大约减少了51%.
（3）不同碳减排压力度的各类地理本体在渭河流域内的空间分布都极不均衡, 它们的碳吸收（或碳排放）重心在近20 a间有着明显的迁移. 其中, 增排类地理本体以及中减排类地理本体的空间重心均呈现出远距离迁移, 甚至是省际迁移的特征, 并且都是从海拔较低的渭河中下游盆地, 按照东南-西北方向迁往流域内海拔较高的中北部地区；超强减排类地理本体的重心迁移方向也是东南-西北方向, 但迁移距离较小, 重心点仍位于咸阳市境内；主要由“草地转为林地”构成的强减排类地理本体, 其重心迁移明显不同, 它是从流域西部海拔较高的天水市境内, 沿着西南-东北方向逐渐迁移至海拔稍低的平凉市境内.
| [1] | Houghton R A, House J I, Pongratz J, et al. Carbon emissions from land use and land-cover change[J]. Biogeosciences, 2012, 9(12): 5125-5142. DOI:10.5194/bg-9-5125-2012 |
| [2] | Yu Z, Ciais P, Piao S, et al. Forest expansion dominates China's land carbon sink since 1980[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-32961-2 |
| [3] | Friedlingstein P, O'sullivan M, Jones M W, et al. Global carbon budget 2020[J]. Earth System Science Data, 2020, 12(4): 3269-3340. DOI:10.5194/essd-12-3269-2020 |
| [4] | Willcock S, Phillips O L, Platts P J, et al. Land cover change and carbon emissions over 100 years in an African biodiversity hotspot[J]. Global Change Biology, 2016, 22(8): 2787-2800. DOI:10.1111/gcb.13218 |
| [5] | Brinck K, Fischer R, Groeneveld J, et al. High resolution analysis of tropical forest fragmentation and its impact on the global carbon cycle[J]. Nature Communications, 2017, 8. DOI:10.1038/ncomms14855 |
| [6] | Tang X J, Woodcock C E, Olofsson P, et al. Spatiotemporal assessment of land use/land cover change and associated carbon emissions and uptake in the Mekong River Basin[J]. Remote Sensing of Environment, 2021, 256. DOI:10.1016/j.rse.2021.112336 |
| [7] | Parsamehr K, Gholamalifard M, Kooch Y, et al. Impact of land cover changes on reducing greenhouse emissions: site selection, baseline modeling, and strategic environmental assessment of REDD+ projects[J]. Land Degradation & Development, 2023, 34(10): 2763-2779. |
| [8] | Lawrence D M, Hurtt G C, Arneth A, et al. The land use model intercomparison project (LUMIP) contribution to CMIP6: rationale and experimental design[J]. Geoscientific Model Development, 2016, 9(9): 2973-2998. DOI:10.5194/gmd-9-2973-2016 |
| [9] | Houghton R A, Hackler J L, Lawrence K T. The U.S. carbon budget: contributions from land-use change[J]. Science, 1999, 285(5427): 574-578. DOI:10.1126/science.285.5427.574 |
| [10] | Yu Z, Lu C Q, Tian H Q, et al. Largely underestimated carbon emission from land use and land cover change in the conterminous United States[J]. Global Change Biology, 2019, 25(11): 3741-3752. DOI:10.1111/gcb.14768 |
| [11] |
李缘缘, 魏伟, 周俊菊, 等. 中国土地利用碳排放变化及协调分区[J]. 环境科学, 2023, 44(3): 1267-1276. Li Y Y, Wei W, Zhou J J, et al. Changes in land use carbon emissions and coordinated zoning in China[J]. Environmental Science, 2023, 44(3): 1267-1276. DOI:10.3969/j.issn.1000-6923.2023.03.028 |
| [12] | Lin Q W, Zhang L, Qiu B K, et al. Spatiotemporal analysis of land use patterns on carbon emissions in China[J]. Land, 2021, 10(2). DOI:10.3390/land10020141 |
| [13] |
向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571. Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571. |
| [14] |
赵荣钦, 黄贤金, 钟太洋, 等. 区域土地利用结构的碳效应评估及低碳优化[J]. 农业工程学报, 2013, 29(17): 220-229. Zhao R Q, Huang X J, Zhong T Y, et al. Carbon effect evaluation and low-carbon optimization of regional land use[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(17): 220-229. DOI:10.3969/j.issn.1002-6819.2013.17.029 |
| [15] | Tian Y, Zhang J B, Chen Q Q. Distributional dynamic and trend evolution of China's agricultural carbon emissions-an analysis on panel data of 31 provinces from 2002 to 2011[J]. Chinese Journal of Population Resources and Environment, 2015, 13(3): 206-214. DOI:10.1080/10042857.2015.1057439 |
| [16] |
孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联[J]. 经济地理, 2015, 35(3): 154-162. Sun H, Liang H M, Chang X L, et al. Land use patterns on carbon emission and spatial association in China[J]. Economic Geography, 2015, 35(3): 154-162. |
| [17] |
郝瑞军, 魏伟, 刘春芳, 等. 中国能源消费碳排放的空间化与时空动态[J]. 环境科学, 2022, 43(11): 5305-5314. Hao R J, Wei W, Liu C F, et al. Spatialization and spatio-temporal dynamics of energy consumption carbon emissions in China[J]. Environmental Science, 2022, 43(11): 5305-5314. |
| [18] | Muller M R, Middleton J. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada[J]. Landscape Ecology, 1994, 9(2): 151-157. DOI:10.1007/BF00124382 |
| [19] |
杨国清, 刘耀林, 吴志峰. 基于CA-Markov模型的土地利用格局变化研究[J]. 武汉大学学报(信息科学版), 2007, 32(5): 414-418. Yang G Q, Liu Y L, Wu Z F. Analysis and simulation of land-use temporal and spatial pattern based on CA-Markov model[J]. Geomatics and Information Science of Wuhan University, 2007, 32(5): 414-418. |
| [20] | da Cunha E R, Santos C A G, da Silva R M, et al. Future scenarios based on a CA-Markov land use and land cover simulation model for a tropical humid basin in the Cerrado/Atlantic forest ecotone of Brazil[J]. Land Use Policy, 2021, 101. DOI:10.1016/j.landusepol.2020.105141 |
| [21] |
赵荣钦, 黄贤金, 钟太洋, 等. 南京市不同土地利用方式的碳储量与碳通量[J]. 水土保持学报, 2012, 26(6): 164-170. Zhao R Q, Huang X J, Zhong T Y, et al. Carbon storage and fluxes of different land use types in Nanjing[J]. Journal of Soil and Water Conservation, 2012, 26(6): 164-170. |
| [22] |
李玉玲, 李世平, 祁静静. 陕西省土地利用碳排放影响因素及脱钩效应分析[J]. 水土保持研究, 2018, 25(1): 382-390. Li Y L, Li S P, Qi J J. Influencing factors on carbon emissions of land uses and analysis of their decoupling effects in Shaanxi Province[J]. Research of Soil and Water Conservation, 2018, 25(1): 382-390. |
| [23] |
孙贤斌. 安徽省会经济圈土地利用变化的碳排放效益[J]. 自然资源学报, 2012, 27(3): 394-401. Sun X B. Effects of carbon emission by land use patterns Hefei's economic circle of Anhui Province[J]. Journal of Natural Resources, 2012, 27(3): 394-401. |
| [24] |
张润森, 濮励杰, 文继群, 等. 建设用地扩张与碳排放效应的库兹涅茨曲线假说及验证[J]. 自然资源学报, 2012, 27(5): 723-733. Zhang R S, Pu L J, Wen J Q, et al. Hypothesis and validation on the Kuznets Curve of construction land expansion and carbon emission effect[J]. Journal of Natural Resources, 2012, 27(5): 723-733. |
| [25] |
石洪昕, 穆兴民, 张应龙, 等. 四川省广元市不同土地利用类型的碳排放效应研究[J]. 水土保持通报, 2012, 32(3): 101-106. Shi H X, Mu X M, Zhang Y L, et al. Effects of different land use patterns on carbon emission in Guangyuan City of Sichuan Province[J]. Bulletin of Soil and Water Conservation, 2012, 32(3): 101-106. |
| [26] |
肖红艳, 袁兴中, 李波, 等. 土地利用变化碳排放效应研究——以重庆市为例[J]. 重庆师范大学学报(自然科学版), 2012, 29(1): 38-42. Xiao H Y, Yuan X Z, Li B, et al. The effects of land use changes on carbon emission C: take Chongqing as an example[J]. Journal of Chongqing Normal University (Natural Science), 2012, 29(1): 38-42. |
| [27] |
卢娜. 土地利用变化碳排放效应研究[D]. 南京: 南京农业大学, 2011. Lu N. The research on carbon emission effects of land use change[D]. Nanjing: Nanjing Agricultural University, 2011. |
| [28] | 张耀南. 渭河流域土地利用LC30米数据集(2000年、2010年、2020年)[EB/OL]. https://cstr.cn/CSTR:11738.11.ncdc.WRiver.2021.14, 2021-09-29. |
| [29] |
鲍毓楠, 程细金, 张强, 等. 航天测绘遥感数据质量管理研究[J]. 测绘, 2016, 39(1): 14-16. Bao Y N, Cheng X J, Zhang Q, et al. Research on quality management of remote sensing data for space surveying and mapping[J]. Surveying and Mapping, 2016, 39(1): 14-16. |
| [30] |
杨涛, 阎晓娟, 赵寒森, 等. 渭河流域土地利用类型转换及其对生态空间格局的影响[J]. 中国地质, 2023, 50(5): 1460-1470. Yang T, Yan X J, Zhao H S, et al. Land use changes of Weihe River Basin and it's influence on the ecological spatial pattern[J]. Geology in China, 2023, 50(5): 1460-1470. |
| [31] |
陈登帅, 李晶, 杨晓楠, 等. 渭河流域生态系统服务权衡优化研究[J]. 生态学报, 2018, 38(9): 3260-3271. Chen D S, Li J, Yang X N, et al. Trade-offs and optimization among ecosystem services in the Weihe River Basin[J]. Acta Ecologica Sinica, 2018, 38(9): 3260-3271. |
| [32] |
庞家泰, 段金亮, 张瑞, 等. 2000-2019年渭河流域植被覆盖度时空演变特征及气候响应[J]. 水土保持研究, 2021, 28(5): 230-237. Pang J T, Duan J L, Zhang R, et al. Characteristics of spatiotemporal evolution and climate response of vegetation cover in the Wei River Basin from 2000 to 2019[J]. Research of Soil and Water Conservation, 2021, 28(5): 230-237. |
| [33] | Arneth A, Sitch S, Pongratz J, et al. Historical carbon dioxide emissions caused by land-use changes are possibly larger than assumed[J]. Nature Geoscience, 2017, 10(2): 79-84. |
| [34] | Chini L, Hurtt G, Sahajpal R, et al. Land-use harmonization datasets for annual global carbon budgets[J]. Earth System Science Data, 2021, 13(8): 4175-4189. |
| [35] | Ge Q S, Dai J H, He F N, et al. Land use changes and their relations with carbon cycles over the past 300 a in China[J]. Science in China Series D: Earth Sciences, 2008, 51(6): 871-884. |